BI für Dienstleister und Beratungen

Für operative Projektsichten wie Stunden je Projekt oder offene Aufgaben reicht das Reporting einer Professional-Services-Automation-Lösung (PSA: Software zur Steuerung von Projekten, Ressourcen und Abrechnung) oft aus. Sobald jedoch Pipeline-Daten aus dem CRM, Buchhaltungsdaten und Skill-Daten aus dem HR-System kombiniert werden müssen, stoßen Standard-Reports an ihre Grenzen. Eine BI-Schicht verbindet diese Quellen zu einer konsistenten Sicht auf Auslastung, Marge und Forecast (find-your-bi.de, 2026).

Utilization (Auslastung: das Verhältnis fakturierbarer Stunden zu einer Bezugsgröße wie Standardarbeitszeit oder Verfügbarkeit) muss zuerst klar definiert werden, denn die Wahl der Bezugsgröße verändert das Ergebnis erheblich. Wird gegen die Zielutilization, die Standardarbeitszeit oder die tatsächliche Verfügbarkeit gerechnet, entstehen unterschiedliche Zahlen für dieselbe Woche. Ohne eine im gesamten Unternehmen einheitliche Definition kursieren schnell fünf verschiedene Utilization-Werte parallel. Eine BI-Schicht mit einem zentralen semantischen Modell (einer gemeinsamen, governance-fähigen Datenschicht mit einheitlichen Kennzahlendefinitionen) verhindert das.

Ja, sobald mehr als zwei Quellen wie PSA, Zeiterfassung und CRM verbunden werden müssen. Ein leichtes Cloud-Data-Warehouse (BigQuery oder Snowflake) plus ein Transformationswerkzeug wie dbt reicht bei dieser Größenordnung oft aus, um saubere Forecast- und Margen-Sichten zu liefern. Der Aufwand liegt eher bei der Modellierung der Kennzahlen als bei der Infrastruktur selbst. Für kleinere Teams mit nur einer oder zwei Quellen kann ein direkter Konnektor im BI-Tool zunächst ausreichen (find-your-bi.de, 2026).

Für klassische Forecasts in der Pipeline und im Resource Planning bringt Predictive Analytics (vorhersagende Datenanalyse auf Basis historischer Muster) spürbaren Mehrwert, etwa bei der Prognose drohender Auslastungslücken. Bei kleineren Dienstleistern reicht am Anfang jedoch meist eine gute beschreibende BI mit sauberen Utilization- und Margen-Kennzahlen. Predictive-Funktionen lohnen sich vor allem, sobald genug historische Projekt- und Pipeline-Daten für belastbare Muster vorliegen.

Utilization beschreibt, wie viel der verfügbaren Arbeitszeit überhaupt fakturierbar eingeplant ist, während die Realization Rate zeigt, wie viel der geleisteten Stunden am Ende tatsächlich abgerechnet wird. Ein Berater kann also voll ausgelastet sein und trotzdem eine schwache Realization Rate haben, wenn Rabatte, Nacharbeit oder nicht abrechenbare Zusatzleistungen die Rechnung mindern. Für die Margen-Analyse (die Auswertung von Ertrag je Projekt oder Kunde) sind beide Kennzahlen zusammen nötig, da jede für sich nur die halbe Wahrheit zeigt.

In der Praxis lohnt sich der Start mit Utilization pro Team oder Standort, da sie die unmittelbarste Verbindung zur Marge hat und meist bereits aus der Zeiterfassung ableitbar ist. Danach folgt üblicherweise die Projekt-Marge, da sie Soll-Ist-Abweichungen in laufenden Projekten sichtbar macht. Pipeline- und Resource-Planning-Sichten kommen meist als drittes hinzu, sobald CRM-Daten sauber angebunden sind (find-your-bi.de, 2026).

Ein schlankes Dashboard auf Basis von zwei bis drei bereits sauberen Quellen wie PSA und Zeiterfassung ist oft in vier bis acht Wochen produktiv. Sobald CRM, Buchhaltung und HR-System zusätzlich integriert werden müssen und ein Data Warehouse aufgebaut wird, verlängert sich die Einführung typischerweise auf zwei bis vier Monate. Governance, Definitionen für Utilization und Schulung der Projektleiter nehmen dabei oft mehr Zeit in Anspruch als die reine technische Anbindung.

Für eine Beratung mit 30 bis 100 Mitarbeitern liegen die BI-Lizenzkosten je nach Werkzeug meist im niedrigen bis mittleren zweistelligen Euro-Bereich pro Nutzer und Monat (find-your-bi.de, 2026). Hinzu kommen Implementierungskosten für Datenmodellierung und Konnektoren, die je nach Zahl der Quellen zwischen 5.000 und 25.000 Euro liegen können. Ein leichtes Cloud-Data-Warehouse verursacht meist nur geringe laufende Infrastrukturkosten, solange die Datenmengen überschaubar bleiben.

Für kleine Agenturen ohne eigenes Datenteam eignet sich meist Microsoft Power BI am besten, da es niedrige Einstiegskosten, eine breite Konnektoren-Auswahl und enge Anbindung an ohnehin genutzte Microsoft-365-Werkzeuge bietet. Tableau und Looker verlangen tendenziell mehr Vorwissen oder ein technisch versierteres Team. Wichtiger als das konkrete Tool ist jedoch meist eine saubere, einheitliche Definition der Kern-KPIs, bevor überhaupt ein Werkzeug ausgewählt wird.

Die gängige Praxis ist ein zentrales Datenmodell, meist in einem Cloud-Data-Warehouse, in dem Projekt- und Ressourcendaten aus der PSA mit Opportunity- und Kundendaten aus dem CRM über eine gemeinsame Kunden- oder Projekt-ID verknüpft werden. So lässt sich beispielsweise sehen, welche Pipeline-Opportunities in den kommenden Monaten auf welche Teams treffen und wo Auslastungslücken drohen. Viele PSA- und CRM-Anbieter bieten dafür native Konnektoren oder Schnittstellen an, in komplexeren Fällen übernimmt ein ETL-Tool (Extract-Transform-Load: Software zur automatisierten Datenübertragung zwischen Systemen) die Verbindung.

Resource Planning bezeichnet die vorausschauende Zuordnung von Mitarbeitenden zu Projekten auf Basis von Skill-Verfügbarkeit, Bench (nicht verplanter Kapazität) und geplanten Abwesenheiten. Für Dienstleister ist es zentral, weil freie Kapazität ohne passendes Projekt direkt Umsatz kostet, während Überlast zu Qualitätsproblemen und Fluktuation führt. BI verbindet dafür Pipeline-Daten aus dem CRM mit Kapazitätsdaten aus PSA und HR-System in einer gemeinsamen Sicht auf die nächsten Wochen und Monate.

BI für Dienstleister stellt Auslastung, Projekt-Marge und Pipeline in den Mittelpunkt, während Industrie-BI meist um Kennzahlen wie OEE (Overall Equipment Effectiveness), Ausschussquoten oder Lagerumschlag kreist. Die Datenquellen unterscheiden sich entsprechend: Dienstleister-BI verbindet vor allem PSA, Zeiterfassung, CRM und Buchhaltung, Industrie-BI eher MES, ERP und Maschinendaten. Wer eine Dienstleister-BI wie eine verkleinerte Industrielösung aufbaut, bekommt Dashboards, die an der eigentlichen Steuerungsgröße vorbeigehen.

Time & Billing (die Verknüpfung erfasster Arbeitszeit mit der Abrechnung gegenüber dem Kunden) ist die Datenbrücke zwischen Zeiterfassung und Buchhaltung und damit eine zentrale Grundlage für die Margen-Analyse. Ohne saubere Time-&-Billing-Daten lässt sich nicht zuverlässig unterscheiden, welche geleisteten Stunden tatsächlich abrechenbar waren und welche als interne oder nicht fakturierbare Zeit gebucht wurden. BI nutzt diese Verknüpfung, um Realization Rate und Projekt-Marge automatisiert statt manuell in Tabellenkalkulationen zu berechnen (find-your-bi.de, 2026).